La inteligencia artificial (IA) se proyecta como uno de los campos más prometedores en los próximos años, y varias compañías tecnológicas compiten por asegurarse un lugar destacado en este sector en constante evolución. En este escenario, Google emerge como uno de los principales protagonistas, mostrando avances significativos que demuestran su profundo compromiso con la IA.

Hace un par de años, Google adquirió DeepMind, una empresa reconocida por sus impresionantes logros en el ámbito del aprendizaje profundo. Ahora, Google ha dado otro paso estratégico al lanzar TensorFlow, una plataforma destinada a convertirse en el estándar de facto en el campo de la IA. Este movimiento busca fomentar un mayor interés y participación en esta área, equiparando la importancia de TensorFlow en IA con la influencia que Android ha tenido en el mercado de dispositivos móviles.

Una estrategia clara

Al igual que lo hizo con Android, Google ha adoptado la filosofía de código abierto y ha liberado varias partes de TensorFlow bajo licencias de código abierto, permitiendo así que cualquier interesado pueda aprovechar estas librerías de forma gratuita para explorar proyectos de aprendizaje profundo.



TensorFlow no es una novedad en el arsenal de Google: la compañía ha estado utilizando esta plataforma en diversos servicios desde 2011, aunque en sus inicios se conocía como DistBelief, desarrollado por el equipo de Google Brain. Ejemplos de su aplicación incluyen el reconocimiento de objetos, lugares o rostros en Google Photos, la función Smart Reply que facilita la redacción de respuestas automáticas en correos electrónicos, y la capacidad de traducción de textos de manera natural.

En este tipo de avances, la inteligencia artificial trasciende el simple cálculo de las computadoras tradicionales. Como explicó Jeff Dean, uno de los líderes en este campo en Google, se necesita más que capacidad de cálculo: se requiere dotar a las máquinas de una especie de intuición, de la capacidad de aprender. Para Demis Hassabis, otro protagonista clave en este ámbito, esto puede ser especialmente relevante en la robótica, donde los robots podrían comprender su entorno y reaccionar a cambios inesperados, así como en la investigación científica, donde podrían acelerar el descubrimiento de nuevos avances.

Sin embargo, TensorFlow no solo sirve como una herramienta para avanzar en proyectos de investigación, sino también como una plataforma para fomentar la formación en la IA. Dado que hay escasez de expertos en inteligencia artificial, Google y otras empresas, como Facebook y Microsoft, están compitiendo por atraer el talento disponible. Para Google, TensorFlow no solo es una forma de impulsar la innovación, sino también de atraer talento hacia su equipo. De hecho, la empresa ha lanzado un curso para que los interesados puedan adentrarse en el aprendizaje de esta plataforma.

Jeff Dean mismo explicó que TensorFlow busca convertirse en una moneda común para quienes trabajan en este campo: "en cierto sentido, nos permite hablar el mismo idioma. Nos beneficiamos al tener personas para contratar que han estado utilizando TensorFlow. No lo estamos ofreciendo de forma totalmente altruista", reconoció este experto en inteligencia artificial.

El jugador perfecto de Breakout es una máquina

En abril de 2014, Demis Hassabis, un destacado experto en inteligencia artificial, sorprendió a la audiencia en la conferencia First Day of Tomorrow al presentar un proyecto revolucionario. Este proyecto consistía en un sistema que jugaba al clásico juego de Atari, Breakout, el cual más tarde inspiraría otros títulos famosos como Arkanoid en la década de los 80. En este juego, la máquina inicialmente no comprendía completamente cómo jugar, pero a medida que avanzaba, aprendía las reglas y los mecanismos del juego.


Después de solo media hora de juego, comenzó a notarse claramente que el sistema tenía buenas intenciones: se movía estratégicamente para interceptar la bola que rebotaba entre los bloques en la parte superior del tablero. Después de una hora de práctica, apenas fallaba en alcanzar la bola una vez cada 3 o 4 intentos. Sin embargo, lo más sorprendente ocurrió después de cuatro horas de juego: el sistema no solo lograba evitar que la bola se perdiera, sino que también descubría formas innovadoras de llevar el juego a un nivel superior. Para comprender mejor este avance, vale la pena ver el vídeo.

Pero este logro en el juego de Breakout fue solo el comienzo para Demis Hassabis y su equipo. Hace un año, publicaron en la revista Nature cómo esta habilidad para dominar juegos antiguos se había extendido a otros, como Fishing Derby, Freeway, Robot Tank y el legendario Kung-fu Master. En ese momento, la empresa de Hassabis, DeepMind, ya formaba parte de Google.

DeepMind se basa en dos disciplinas fundamentales: redes neuronales profundas y un algoritmo de aprendizaje por refuerzo. El primero de estos componentes permite a DeepMind identificar patrones y desarrollar la capacidad de reconocer formas complejas a partir de la información visual que recibe.

El segundo componente va más allá, imitando el proceso de aprendizaje de un niño al que no se le explican las reglas del juego. El sistema prueba diferentes acciones hasta recibir una recompensa positiva, mientras que un algoritmo en DeepMind analiza su desempeño pasado, lo compara con el presente y ajusta su comportamiento para obtener más recompensas y, por ende, aprender más. Al combinar estos principios, el sistema interpreta lo que sucede en la pantalla, aprende de los errores y reacciona para obtener la puntuación más alta posible. En resumen, para ganar.




El sistema desarrollado por Hassabis ha logrado avances impresionantes al dominar juegos como Go y demostrar una notable capacidad en otros juegos más simples. Sin embargo, muestra limitaciones cuando se enfrenta a juegos antiguos que requieren una planificación más compleja, como Ms. Pac-Man o Montezuma's Revenge. En estos casos, el motor de DeepMind no logra rendir tan bien, lo que sugiere que podría beneficiarse de la adopción de ciertos riesgos durante el juego. El objetivo a largo plazo es convertir este sistema en un jugador perfecto para juegos más desafiantes de la década de los 90, que presentan exigencias más elevadas en todos los aspectos, y luego superar récords en juegos como StarCraft. Sin embargo, este camino aún está por recorrer.

Hassabis señaló que, por ejemplo, cuando los niños aprenden a jugar Pong, rápidamente comprenden que el funcionamiento es similar al de Breakout, lo que sugiere una transferencia de aprendizaje. Sin embargo, su sistema no puede realizar esta transferencia y debe aprender desde cero en cada juego. Además, estos sistemas enfrentan dificultades con situaciones abstractas que los humanos manejan naturalmente en la vida cotidiana, lo que plantea un desafío aún mayor que vencer a un maestro en Go. A pesar de estas limitaciones, el progreso realizado hasta ahora representa un buen comienzo, aunque también un inicio inquietante hacia el desarrollo de sistemas de inteligencia artificial más avanzados.

Tensorflow delante de un futuro muy prometedor

Como hemos señalado previamente, TensorFlow ha encontrado aplicaciones en una amplia gama de proyectos, pero recientemente sus fundamentos han mostrado su adaptabilidad en diferentes áreas. No se limita únicamente a la generación de imágenes algo inquietantes o al procesamiento de imágenes, sino que la inteligencia artificial (IA) está emergiendo como un componente esencial en un importante proyecto que busca transformar nuestra percepción de la conducción de vehículos.


La amplitud de aplicaciones de esta plataforma es asombrosa, especialmente debido a que se ha demostrado que es prácticamente aplicable a cualquier campo, siempre y cuando haya datos suficientes para entrenar a TensorFlow. Un ejemplo de esto es la creación de guiones artificiales para la serie de comedia televisiva 'Friends', generados por un usuario a partir de los guiones utilizados durante las 10 temporadas de emisión. Aunque en su mayoría los resultados eran confusos, se vislumbraban posibilidades extraordinarias en este ámbito.

El aprendizaje profundo, una disciplina de la inteligencia artificial, permite que las computadoras aprendan conceptos abstractos con mayor eficacia, aunque aún enfrentan dificultades en comparación con los humanos. Por ejemplo, reconocer una imagen de la Torre Eiffel es algo trivial para nosotros, pero para las computadoras representa un desafío considerable, ya que deben buscar coincidencias entre una amplia biblioteca de imágenes.

La plataforma de inteligencia artificial de Google se basa en el uso de redes neuronales, diseñadas para fortalecer las conexiones entre nodos específicos. TensorFlow, basado en Theano, un sistema desarrollado en la Universidad de Montreal, ha experimentado mejoras significativas que le permiten ser utilizado en una amplia gama de dispositivos, incluidos los teléfonos inteligentes, aunque se recomienda contar con una GPU potente para realizar cálculos masivos.

La aplicación de esta inteligencia artificial es evidente incluso en los motores de búsqueda. RankBrain, un sistema de aprendizaje desarrollado por Google, interpreta el lenguaje y los términos de búsqueda de manera más eficiente, mejorando la comprensión del lenguaje coloquial y extrayendo significados más precisos. Este sistema ya interviene en el 15% de las búsquedas realizadas en Google. En una prueba reciente, los ingenieros de Google fueron desafiados a predecir qué páginas web estarían entre los primeros resultados de búsqueda. Adivinaron correctamente el 70% de las veces, mientras que RankBrain lo logró el 80% de las veces. Este sistema ha estado en funcionamiento desde principios de 2015 y continúa siendo monitoreado de cerca para evaluar su desempeño.

Llega la hora de los vectores de pensamiento

El esfuerzo del equipo de DeepMind se ve complementado por iniciativas lideradas por figuras como el profesor Geoff Hinton, un destacado experto en el campo de la inteligencia artificial que busca llevar las fronteras un paso más allá, inspirándose en la visión que la película 'Her' nos brindaba: la posibilidad de entablar conversaciones con máquinas, no solo para obtener información práctica, sino también para disfrutar de momentos de entretenimiento.


En una entrevista con The Guardian el año pasado, Hinton discutió sobre los "vectores del pensamiento", un nuevo concepto en desarrollo que, según él, podría representar pensamientos complejos y abstractos. Esta idea, según Hinton y su equipo, podría ayudar a dotar a las máquinas de una capacidad de razonamiento y conversación natural, una habilidad que hasta ahora solo había sido retratada en el mundo del cine.

Hinton se centra en desarrollar un sistema que se dedique principalmente a comprender nuestra forma de comunicarnos y expresarnos, permitiendo que la inteligencia artificial "deconstruya" nuestras frases con precisión matemática. Sin embargo, el objetivo no es solo obtener conclusiones lógicas a partir de los datos de entrada, sino también dotar a estos sistemas de cierta intuición, de ir más allá de respuestas automáticas. Hinton incluso sugiere que la creación de programas orientados a "flirtear" con otras personas, similar a lo que se presenta en la película 'Her', no sería una tarea demasiado difícil de implementar.

Mientras tanto, los avances en robótica continúan

Aunque Google sea principalmente reconocida por su trabajo en desarrollos de hardware, estos progresos también están estrechamente vinculados al desarrollo de hardware que permitirá que ciertos dispositivos aprovechen estos avances: los robots.




Durante años, la empresa ha estado involucrada en este campo, y su compromiso se hizo evidente hace dos años cuando adquirieron Boston Dynamics, una empresa conocida por sus impresionantes robots cuadrúpedos que imitan el movimiento de varios animales y están diseñados para moverse en una variedad de terrenos, tanto en interiores como en exteriores.

Esta inversión ha dado lugar a Replicant, una iniciativa formada por varias empresas que Google ha adquirido en los últimos tiempos; Shaft y Redwood Robotics son otros ejemplos destacados. Este proyecto se ha convertido en una parte integral de la estrategia de Google en el campo de la robótica. Andy Rubin estuvo al frente de este proyecto antes de separarse de Google para establecer su propia empresa de inversión, pero dejó la empresa con una predicción.

[Antes de 2020] Este equipo aprovechará más de 20 años de investigación en robótica y presentará una suite de productos 1.0 que sentarán las bases para futuros productos destinados a usuarios finales que interactúen con el mundo físico.

Haz clic para expandir...

La salida de Rubin parece haber afectado significativamente a esta ambiciosa iniciativa, y la visión unificada que este ejecutivo había dado al proyecto parece haberse desvanecido en cierta medida. Sin embargo, en Google están decididos a seguir avanzando, y recientemente se ha anunciado que tanto Project Titan, la unidad de drones satelitales, como la unidad de robótica se integrarán en los enigmáticos laboratorios Google X. Es probable que veamos surgir proyectos de estos laboratorios que combinen estos desarrollos con las capacidades que ofrece TensorFlow.

interesante y a la vez inquietante.

gracias por el articulo @XoCastioX

Cuanto ha llovido desde esto a nuestros tiempos, ChatGPT y otras IAs generativas están cambiando el mundo a una velocidad inquietante, y no lo digo en el mal sentido - creo firmemente en que la humanidad estará destinada a dedicar su tiempo a labores mucho más productivas que las actuales - esperemos que parte de este esfuerzo se pueda centrar en las cosas que realmente importan, más allá de la generación de riqueza - es decir, solucionar los problemas de esta y futuras generaciones mediante la innovación y la investigación.

Y tanto....